長期招聘計算機視覺/深度學習等方向的工程師或實習生。感興趣的話，請傳送郵件，可以內推。

PCL系列

說明

通過本教程，我們將會學會：

• 如果通過貪婪三角投影演算法進行三維點雲重構。
• 程式支援兩種檔案格式：*.pcd和*.ply。
• 程式先讀取點雲檔案；然後計算法向量，並將法向量和點雲座標放在一起；接著使用貪婪三角投影演算法進行重構，最後顯示結果。

操作

• 在VS2010 中新建一個檔案 recon_greedyProjection.cpp，然後將下面的程式碼複製到檔案中。
• 參照之前的文章，配置專案的屬性。設定包含目錄和庫目錄和附加依賴項。

/*
* GreedyProjection是根據點雲進行三角化，而 poisson 則是對water-tight的模型進行重建，
* 所以形成了封閉mesh和很多冗餘資訊，需要對poisson的重建進行修剪才能得到相對正確的模型
*
*/
 


#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/io/ply_io.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/features/normal_3d.h>
#include <pcl/surface/gp3.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
 

#include <fstream>
#include <iostream>
#include <stdio.h>
#include <string.h>
#include <string>

int main (int argc, char** argv)
{
    // 確定檔案格式
    char tmpStr[100];
    strcpy(tmpStr,argv[1]);
    char* pext = strrchr(tmpStr, '.');
    std::string extply("ply");
    std
 
::string extpcd("pcd");
    if(pext){
        *pext='\0';
        pext++;
    }
    std::string ext(pext);
    //如果不支援檔案格式，退出程式
    if (!((ext == extply)||(ext == extpcd))){
        std::cout << "檔案格式不支援!" << std::endl;
        std::cout << "支援檔案格式：*.pcd和*.ply！" << std::endl;
        return(-1);
    }

    //根據檔案格式選擇輸入方式
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>) ; //建立點雲物件指標，用於儲存輸入
    if (ext == extply){
        if (pcl::io::loadPLYFile(argv[1] , *cloud) == -1){
            PCL_ERROR("Could not read ply file!\n") ;
            return -1;
        }
    }
    else{
        if (pcl::io::loadPCDFile(argv[1] , *cloud) == -1){
            PCL_ERROR("Could not read pcd file!\n") ;
            return -1;
        }
    }

  // 估計法向量
  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;
  pcl::PointCloud<pcl::Normal>::Ptr normals (new pcl::PointCloud<pcl::Normal>);
  pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);
  tree->setInputCloud (cloud);
  n.setInputCloud (cloud);
  n.setSearchMethod (tree);
  n.setKSearch (20);
  n.compute (*normals); //計演算法線，結果儲存在normals中
  //* normals 不能同時包含點的法向量和表面的曲率

  //將點雲和法線放到一起
  pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals (new pcl::PointCloud<pcl::PointNormal>);
  pcl::concatenateFields (*cloud, *normals, *cloud_with_normals);
  //* cloud_with_normals = cloud + normals

  //建立搜尋樹
  pcl::search::KdTree<pcl::PointNormal>::Ptr tree2 (new pcl::search::KdTree<pcl::PointNormal>);
  tree2->setInputCloud (cloud_with_normals);

  //初始化GreedyProjectionTriangulation物件，並設定引數
  pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;
    //建立多變形網格，用於儲存結果
  pcl::PolygonMesh triangles;

  //設定GreedyProjectionTriangulation物件的引數
    //第一個引數影響很大
  gp3.setSearchRadius (1.5f); //設定連線點之間的最大距離（最大邊長）用於確定k近鄰的球半徑【預設值 0】
  gp3.setMu (2.5f); //設定最近鄰距離的乘子，以得到每個點的最終搜尋半徑【預設值 0】
  gp3.setMaximumNearestNeighbors (100); //設定搜尋的最近鄰點的最大數量
  gp3.setMaximumSurfaceAngle(M_PI/4); // 45 degrees（pi）最大平面角
  gp3.setMinimumAngle(M_PI/18); // 10 degrees 每個三角的最小角度
  gp3.setMaximumAngle(2*M_PI/3); // 120 degrees 每個三角的最大角度
  gp3.setNormalConsistency(false); //如果法向量一致，設定為true

  //設定搜尋方法和輸入點雲
  gp3.setInputCloud(cloud_with_normals);
  gp3.setSearchMethod(tree2);

    //執行重構，結果儲存在triangles中
  gp3.reconstruct (triangles);

    //儲存網格圖
    pcl::io::savePLYFile("result.ply", triangles);

  // Additional vertex information
  //std::vector<int> parts = gp3.getPartIDs();
  //std::vector<int> states = gp3.getPointStates();

    // 顯示結果圖
  boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer (new pcl::visualization::PCLVisualizer ("3D Viewer"));
  viewer->setBackgroundColor (0, 0, 0); //設定背景
  viewer->addPolygonMesh(triangles,"my"); //設定顯示的網格
  viewer->addCoordinateSystem (1.0); //設定座標系
  viewer->initCameraParameters ();
  while (!viewer->wasStopped ()){
    viewer->spinOnce (100);
    boost::this_thread::sleep (boost::posix_time::microseconds (100000));
  }

  return (0);
}

• 重新生成專案。
• 到改專案的Debug目錄下，按住Shift，同時點選滑鼠右鍵，在當前視窗開啟CMD視窗。
• 在命令列中輸入recon_greedyProjection.exe bunny.points.ply，執行程式。得到如下圖所示的結果。